CyberHarem/clownpiece_touhou

这是一个名为clownpiece/クラウンピース (Touhou)的数据集，包含500张图片及其标签。图片从多个网站（如danbooru, pixiv, zerochan等）爬取，爬取系统由DeepGHS团队开发。数据集的核心标签包括`blonde_hair, long_hair, hat, jester_cap, wings, fairy_wings, purple_headwear, red_eyes, bangs, very_long_hair, hair_between_eyes, polka_dot_headwear, pink_eyes, breasts`，这些标签在数据集中被修剪。本数据集名为clownpiece/クラウンピース（克劳恩皮丝，Touhou，东方Project），共包含500张图像及其对应标注标签。图像从danbooru、Pixiv、Zerochan等多个平台爬取，其爬取系统由DeepGHS团队开发。数据集的核心标注标签包括`金发（blonde_hair）`、`长发（long_hair）`、`帽子（hat）`、`小丑帽（jester_cap）`、`翅膀（wings）`、`精灵翅膀（fairy_wings）`、`紫色头饰（purple_headwear）`、`红色眼眸（red_eyes）`、`刘海（bangs）`、`超长长发（very_long_hair）`、`眼间刘海（hair_between_eyes）`、`波点头饰（polka_dot_headwear）`、`粉色眼眸（pink_eyes）`、`胸部（breasts）`，上述标签均已在数据集中完成规整修剪。

原始信息汇总

数据集概述

数据集名称

Dataset of clownpiece/クラウンピース (Touhou)

数据集描述

该数据集包含500张关于clownpiece/クラウンピース（东方Project角色）的图像及其标签。

核心标签

• blonde_hair
• long_hair
• hat
• jester_cap
• wings
• fairy_wings
• purple_headwear
• red_eyes
• bangs
• very_long_hair
• hair_between_eyes
• polka_dot_headwear
• pink_eyes
• breasts

数据集包列表

名称	图像数量	大小	类型	描述
raw	500	731.93 MiB	Waifuc-Raw	原始数据，包含元信息（最小边对齐到1400像素，如果更大）。
800	500	391.96 MiB	IMG+TXT	短边不超过800像素的数据集。
stage3-p480-800	1222	859.37 MiB	IMG+TXT	3阶段裁剪数据集，区域不小于480x480像素。
1200	500	637.91 MiB	IMG+TXT	短边不超过1200像素的数据集。
stage3-p480-1200	1222	1.22 GiB	IMG+TXT	3阶段裁剪数据集，区域不小于480x480像素。

标签聚类结果

原始文本版本

#	样本数量	图像示例	标签
0	36		1girl, american_flag_dress, american_flag_legwear, polka_dot, short_sleeves, solo, looking_at_viewer, neck_ruff, smile, open_mouth, torch, star_print, fire, holding, striped_pantyhose, striped_dress, purple_eyes
1	7		1girl, american_flag_dress, american_flag_legwear, blush, fairy, full_body, polka_dot, short_sleeves, signature, solo, star_print, striped_dress, striped_pantyhose, open_mouth, fang, smile, pink_headwear, simple_background
2	9		1girl, american_flag_dress, blush_stickers, chibi, full_body, neck_ruff, open_mouth, polka_dot, short_sleeves, solo, star_print, striped_dress, striped_pants, :d, standing, fairy, american_flag_legwear
3	7		1girl, american_flag_bikini, blush, looking_at_viewer, navel, small_breasts, solo, polka_dot, micro_bikini, open_mouth, smile, star_print, striped, white_background, no_wings, pink_headwear, simple_background, standing
4	7		1girl, looking_at_viewer, navel, nipples, small_breasts, solo, blush, polka_dot, pussy, smile, completely_nude, simple_background, bar_censor, cowboy_shot, loli, transparent_wings, pink_headwear, standing, white_background

表格版本

#	样本数量	图像示例	1girl	american_flag_dress	american_flag_legwear	polka_dot	short_sleeves	solo	looking_at_viewer	neck_ruff	smile	open_mouth	torch	star_print	fire	holding	striped_pantyhose	striped_dress	purple_eyes	blush	fairy	full_body	signature	fang	pink_headwear	simple_background	blush_stickers	chibi	striped_pants	:d	standing	american_flag_bikini	navel	small_breasts	micro_bikini	striped	white_background	no_wings	nipples	pussy	completely_nude	bar_censor	cowboy_shot	loli	transparent_wings
0	36		X	X	X	X	X	X	X	X	X	X	X	X	X	X	X	X	X

搜集汇总

数据集介绍

构建方式

在动漫角色数据集构建领域，针对东方Project中的角色clownpiece（クラウンピース），CyberHarem团队精心打造了一个包含500幅图像及其标签的专业数据集。该数据集的构建过程融合了多源爬取与自动化处理技术，图像来源涵盖danbooru、pixiv、zerochan等知名站点，并由DeepGHS团队开发的自动化爬取系统提供技术支持。核心标签如blonde_hair、long_hair、hat等已被系统性地剔除，以优化数据质量。数据集提供了多种版本，包括raw格式（保留元数据）、800与1200像素限制版本，以及经过三阶段裁剪、面积不低于480x480像素的stage3-p480-800和stage3-p480-1200版本，以满足不同应用场景的需求。

特点

该数据集的核心特色在于其丰富的版本划分与精细的标签聚类分析。除了标准的raw、800、1200像素版本外，特别设计的stage3裁剪版本通过三阶段处理策略，有效提升了图像区域的完整性，适用于高精度模型训练。数据集还提供了标签聚类结果，以raw text和table两种形式呈现，将图像按服装、姿态等特征分为多个簇（如cluster 0至cluster 4），每个簇包含样本数量、示例图像及详细标签集，便于研究者挖掘角色在不同装扮下的视觉模式。这种结构化的聚类信息为风格迁移、角色识别等任务提供了宝贵的先验知识。

使用方法

数据集的加载方式灵活多样，支持通过waifuc库直接调用raw版本进行深度学习流水线的构建。用户可通过HuggingFace Hub下载对应的zip压缩包，并利用Python代码实现自动化解压与数据加载，例如使用huggingface_hub库的hf_hub_download函数获取dataset-raw.zip，再通过waifuc的LocalSource类迭代访问图像及其元数据（包括文件名和标签）。对于其他版本（如800、1200、stage3系列），数据集以IMG+TXT格式提供，可直接用于图像生成或分类模型的训练与评估。这种多层次的接口设计，兼顾了易用性与可扩展性。

背景与挑战

背景概述

在二次元角色生成与文本到图像（text-to-image）模型快速发展的浪潮中，高质量、细粒度的角色数据集成为推动模型精准描绘特定角色形象的关键基石。该数据集由DeepGHS团队于近期创建，聚焦于《东方Project》系列中的角色“clownpiece”（クラウンピース），旨在为这一拥有独特视觉符号（如金发、长翼、小丑帽与星条旗元素）的角色提供标准化的训练资源。通过从Danbooru、Pixiv、Zerochan等多源平台自动爬取，数据集收录了500张经过严格筛选与标注的图像，并提供了多种分辨率与裁剪版本的打包文件，极大地方便了研究者根据计算资源灵活选用。其核心研究问题在于如何通过紧凑但特征鲜明的样本集合，提升生成模型对特定动漫角色外观与风格的一致性与可控性，从而在二次元内容生成与个性化创作领域发挥重要影响力。

当前挑战

当前数据集面临的首要挑战在于领域问题的复杂性：动漫角色生成不仅要求模型准确还原角色的核心视觉标签（如发型、服饰、翅膀形状），还需在多样化的姿态、场景与艺术风格中保持身份一致性，这对仅有500样本的小规模数据集而言尤为艰巨。构建过程中亦遭遇多重困难：其一，多源爬取导致图像分辨率、画风与背景差异悬殊，需通过边缘对齐与多阶段裁剪（如stage3-p480-800）进行标准化，却可能损失细节或引入伪影；其二，标签体系依赖于社区标注，存在主观性强、标签粒度不统一的问题，部分标签（如“polka_dot_headwear”）在聚类分析中仍显稀疏；其三，敏感内容（如裸露图像）的筛选与合规处理增加了数据清洗的复杂度，需平衡样本多样性与内容安全性。

常用场景

经典使用场景

在二次元图像生成领域，CyberHarem/clownpiece_touhou数据集为文本到图像（text-to-image）模型提供了精细化的角色训练素材。该数据集收录了东方Project中角色clownpiece的500张高质量图像及其对应的标签，核心标签涵盖发型、发色、服饰、翅膀等视觉特征。研究者可利用此数据集对Stable Diffusion等扩散模型进行微调，或用于训练LoRA（Low-Rank Adaptation）模块，从而精准控制生成图像的角色外观与风格一致性。数据集还提供了多分辨率版本和三阶段裁剪版本，适应不同训练需求，是角色定制化生成任务中不可或缺的基准资源。

实际应用

在实际应用中，该数据集赋能了动漫IP衍生内容的自动化生产流程。创作者可基于此数据集快速生成角色同人插画、表情包或动态壁纸，降低美术创作的人力成本。游戏开发团队能利用微调后的模型批量生成角色立绘与剧情CG，加速原型迭代。此外，数据集支持的个性化定制功能（如换装、姿态调整）在虚拟主播形象设计、NFT数字藏品制作等商业场景中展现出巨大潜力。其多分辨率版本适配移动端部署，使得轻量化生成应用成为可能，推动了二次元文化在社交媒体与互动娱乐领域的广泛传播。

衍生相关工作

该数据集衍生出一系列具有影响力的研究工作。在模型层面，基于此数据集的LoRA权重发布催生了社区驱动的角色库（如Civitai），推动了参数高效微调技术的普及。在方法论上，研究者利用其标签聚类结果开发了自动标注系统与风格迁移框架，例如结合CLIP的文本-图像对齐方法用于角色属性编辑。数据集还促进了多模态学习领域的基准测试，成为评估动漫角色生成质量（如面部一致性、服饰细节）的标准测试集。此外，其爬取与清洗流程（基于Waifuc框架）为构建大规模动漫数据集提供了可复现的技术范式，深刻影响了后续的数据工程实践。